데이터 관리는 기계 학습 및 A.I. IIOT에서

컨퍼런스, 웨비나에 참석하거나 제조 분야의 분석가와 이야기를 나누십시오. 가장 많이 듣게 될 두 가지 유행어는 "머신 러닝"과 "인공 지능"(AI)입니다. 여기 Cisco에서도 이러한 영역을 탐색하고 투자하고 있으며 포트폴리오에서 머신 러닝과 AI를 적극적으로 추진하고 있습니다.

종종 두 용어가 잘못 해석됩니다. 글로벌 파트너 중 하나인 SAS는 최근 이 둘의 차이점에 대한 훌륭한 비디오를 만들었습니다.

동영상에서 언급한 대로:

<울>

AI는 인간을 모방하는 기계와 컴퓨터의 과학입니다.

기계 학습은 기계가 데이터에서 학습하는 방법의 배후에 있는 방법입니다.

그렇다면 이러한 주제가 중요한 이유는 무엇이며 제조의 미래와 관련된 이러한 영역에 대해 그렇게 많은 소문이 나는 이유는 무엇입니까? 현재 우리는 인더스트리 4.0/스마트 제조 시대의 제조를 보고 있습니다. 이 기술 발전은 이 블로그 전체에서 길게 논의되었지만 제조에 대한 궁극적인 가이드에서 빠르게 요약하기 위해 이 여정에서 제조업체에게 중요한 세 가지 기본 영역이 있습니다.

<올>

초인식:실시간 통찰력과 미래 동향을 인식하는 조직의 능력입니다. 초인식의 중요한 구성 요소는 제품과 서비스가 실제로 어떻게 사용되는지 직접 볼 수 있는 능력입니다.

정보에 입각한 의사 결정:초인식을 통해 도착한 정보를 능동적으로 분석하고 가장 필요한 사람에게 전달되도록 하는 기능.

빠른 실행:정보에 입각한 결정을 실행으로 옮겨야 합니다(예:공장 현장 기계가 피로의 초기 징후를 보일 때 예측 유지보수).

머신 러닝과 AI는 이러한 기본 기능의 자연스러운 확장입니다.

IDC에 따르면:

IDC는 AI의 이러한 추세가 계속해서 성장할 것이며 "매출이 460억 달러 이상이 되는 2020년까지 연평균 54.4%의 성장률을 달성할 것입니다. ¹

머신 러닝 및 AI의 기반

머신 러닝과 AI의 기본 요소는 데이터입니다. 데이터는 이러한 플랫폼을 제공하여 제조의 모든 측면을 개선하고 궁극적으로 증가하는 투자 수익(ROI)을 포착하는 데 도움이 됩니다. 예를 들어, 단순화된 예측 유지보수 시나리오에서 기계와 감독 제어 시스템은 최적의 성능을 상호 연관시키고 기준선에서 편차가 있을 때 이를 인식할 수 있어야 합니다. 여러 데이터 소스를 고려하고 상관 관계를 파악하고 분석한 다음 결정을 내려야 합니다. 너무 많은 정보는 분석을 압도하고 속도를 늦출 수 있습니다. 정보가 너무 적으면 기계가 지능적으로 최적화하고 개선할 가치를 도출하지 못합니다. 머신 러닝과 AI는 공급망 최적화, 연구 개발, 신제품 출시와 같은 분야의 애플리케이션을 일부 예처럼 변화시킬 수도 있습니다.

이제 공장이 레거시 및 새 기계에서 12,000개 이상의 변수를 캡처하는 10,000개 이상의 센서로 하루에 1,000TB의 데이터를 생성할 수 있다고 가정해 보겠습니다. 이러한 상호 관련된 요소는 고려해야 할 사항이 많으며 이는 제조업체가 데이터에 대한 연결성을 고려해야 할 뿐만 아니라 해당 데이터를 어디로 보낼지, 얼마나 자주 보낼 것인지, 어떻게 사용할 것인지도 결정해야 함을 의미합니다. 이러한 데이터 역학은 기계 학습 및 AI의 기반을 마련합니다.

AI 및 머신 러닝을 지원하기 위해 고려해야 할 몇 가지 데이터 관리 영역:

<울>

빈도:데이터가 비즈니스에 가치를 추가하는 빈도를 고려하고 그 빈도만큼만 가져옵니다. 불필요한 데이터 풀은 정보 과부하를 유발할 수 있습니다. 컴퓨팅을 위한 클라우드 애플리케이션을 추가하면 세분화되지 않은 데이터가 불필요한 비용, 오버헤드를 추가하고 운영 예산에 영향을 미치는 시나리오를 생성할 수도 있습니다.

우선 순위 지정:중요하지 않은 데이터보다 중요한 데이터의 우선 순위를 지정하여 네트워크 무결성을 보장하고 중요한 정보가 적절한 대상에 도달하도록 합니다.

처리:기존 컴퓨팅 모델은 분석을 위해 데이터를 핵심 데이터 센터 또는 클라우드로 보냅니다. 그러나 이는 많은 제조 시나리오에서 비현실적입니다. 종종 제조 데이터의 머신 러닝과 AI에는 실시간 분석이 필요합니다. 네트워크 설계자는 머신 러닝 및 AI 이니셔티브를 지원하기 위해 에지 컴퓨팅과 중앙 집중식 데이터 컴퓨팅의 하이브리드 솔루션을 고려해야 합니다.

오케스트레이션:데이터의 유입으로 인해 머신 러닝 및 AI 플랫폼이 해당 데이터를 수신하는 방식과 데이터를 소비하는 방식을 매핑하는 것이 중요해졌습니다. 데이터 수신 시기, 전송 방법, 전송 이유 등 데이터에 대한 일관된 제어 및 인식을 구현하는 것이 중요합니다.

보안:생산 무결성은 미션 크리티컬하지만 여러 데이터 피드를 연결하면 새로운 보안 취약점이 발생할 수 있습니다. 머신 러닝과 AI는 엄청난 비즈니스 이점으로 이어질 수 있지만 보안 침해는 데이터 및 개인 정보 위험을 생성하여 회사의 평판과 고객 신뢰를 위협할 수 있습니다. 반면에 머신 러닝은 이상 징후를 감지하는 수단으로 보안을 강화하는 데도 도움이 될 수 있습니다.

제조업체가 기계 학습 및 AI를 위한 기반을 구축할 수 있도록 지원하기 위해 우리는 디지털 제조의 데이터 관리에 대한 가이드를 개발했습니다. 이 가이드는 데이터 관리에 대한 모범 사례와 기술 로드맵을 고려할 때 어떤 워크로드 아키텍처가 적합한지 결정하기 위한 고려 사항을 제공합니다. 또한 이 새로운 데이터 모델로 전환하는 데 도움이 되는 필수 사례 연구와 리소스도 포함되어 있습니다.

<올>

출처:IDC FutureScape:Worldwide Manufacturing 2018 예측, doc# DC #US42126117, 2017년 10월,